海外小売のAI活用事例：Walmart・Target・Tractor Supply・セフォラ・John Lewisから読み解く運用設計

海外小売のAI活用は、需要予測・顧客分析・店舗オペレーション支援・商品データ整備・生成AIによる接客の各領域で日本より数年先行している。本稿は、著者が2025年に米国小売現場で実際に体験した事例と、ITmediaビジネスオンライン連載「がっかりしないDX 小売業の新時代」で取り上げてきた事例を中核に、Walmart・Target・Tractor Supply・セフォラ・英国John Lewis Partnershipの運用実態を整理する。 日本市場への示唆は、技術そのものより「組織的に使い続ける運用設計」と「導入で終わらせない伴走」の有無にある。 AI活用の全体像は小売業のAI活用を参照されたい。

海外小売AI活用事例の俯瞰

海外先進事例を俯瞰すると、AI活用が機能している企業には3つの共通点がある。第一に、AI導入が経営課題から逆算されていること。第二に、データ基盤と運用設計に時間をかけていること。第三に、現場とのフィードバックループが設計されていること。日本でも同じ条件が揃えば成果は出るが、ベンダー任せでは揃わない。

McKinseyの調査によれば、米国では小売業の90%が生成AIの実験を開始したものの、本格展開に成功しているのは一部にとどまる。「パイロットは成功したが、全社展開できない」状況が多発している。本稿で取り上げる企業は、いずれもパイロットを越えて運用に組み込んだ事例だ。

取り上げる事例

• Walmart：「People-Led, Tech-Powered（人が主導し、技術が支える）」を掲げ、店舗アプリの生成AIアシスタント「Ask Sparky」、従業員向け「Me@Walmart」のSIDEKICK、分析基盤「Scintilla」、生成AIで商品カタログ8.5億超データ項目を整備
• Target：生成AIプラットフォーム「Trend Brain」でトレンド予測、AI価格・在庫最適化、組織を「プロダクト・オペレーティング・モデル」へ再編
• Tractor Supply：店舗音声アシスタント「Hey GURA」（Gura）で全従業員が15,000種類超の商品知識にリアルタイムアクセス、新入社員研修にも組み込み
• セフォラ（Sephora）：AI活用でEC売り上げ伸長、化粧品コスメ世界大手の「攻めのデジタル戦略」
• 英国 John Lewis Partnership：百貨店John LewisのEC売上比率60.9%、Click & Collectで来店動機を作る、AI価格マッチングで「Never Knowingly Undersold」を復活
• Amazon：物流の自動化（ロボット仕分け・AI需要予測・ラストマイル最適化）

Walmart：「People-Led, Tech-Powered」と商品データのAI読解可能化

Walmartは売上高約100兆円を超える世界最大規模の小売チェーンで、AI活用の最前線に立つ。同社はAIを「People-Led, Tech-Powered（人が主導し、技術が支える）」というビジョンの実現手段として位置づけている。AI単体を目的化せず、人を強化する手段として設計している点が重要だ。

店舗アプリの生成AIアシスタント「Ask Sparky」

Walmartのアプリに搭載された「Ask Sparky」は、顧客体験を大きく変えた。従来の商品検索機能は売り場がわかる上に取り置き注文もできて便利だったが、「何を買うべきかわからない」状態の顧客には対応できなかった。生成AIが加わることで、曖昧な質問や抽象的なニーズにも対応できるようになった。

著者が実際に2025年に米国店舗で試したところ、日本語で「ドジャースグッズはありますか」と質問しても、関連商品のラインナップを示し、そこで選択したTシャツの売り場までナビゲートしてくれた。言語の壁を超え、漠然とした興味からでも商品発見を支援する仕組みになっている。

従業員アプリ「Me@Walmart」とAIエージェント「SIDEKICK」

Walmartは従業員向けアプリ「Me@Walmart」にAIエージェント「SIDEKICK」を搭載し、店舗スタッフへの業務アドバイスや指示を自動化している。AIは「人を置き換える」のではなく「人を強化する」道具として設計されている。

分析基盤「Scintilla（火花）」とメーカー開放

Walmartは分析システムを「Scintilla（火花）」と改名し、データからAIを活用して新たな価値を創出する姿勢を明確にした。このシステムはメーカーにも開放され、サプライチェーン全体での最適化を推進している。本部だけでなく取引先も恩恵を受けられる「データの民主化」が特徴だ。

加えて、ChatGPTからの流入がWalmartへの参照トラフィックの約20%を占めるようになったとの報告もあり、AIが顧客の購買行動を直接的に変えつつある。

商品データ8.5億超のAI整備：「AIが読める」マスタへ

Walmartは2024年8月の決算説明会で、生成AIを使い商品カタログの8.5億超のデータ項目を作成・改善したと公表した。手作業なら同期間で約100倍の人員が必要だったという。同社CEOのダグ・マクミロン氏は「生成AIで顧客・会員・従業員の体験を改善する具体的な方法を見出している」と述べている。

整備の中核は、PDP（商品詳細ページ）そのものではなく、PDPを支える商品カタログ＝商品データ基盤だ。商品名・サイズ・色・素材などの属性情報を大規模言語モデル（LLM）で抽出・検証し、カタログを「信頼できる唯一の情報源」に近づけている。

特徴的なのは、LLMを2段階で活用している点だ。第1段階で、テキストや画像から色・サイズ・素材などの属性を自動抽出する。第2段階で別のLLM（品質チェックエージェント）が、人間の専門家が正・誤・中間の3値で付与した正解ラベルで微調整され、精度閾値（属性により90〜95%）を下回る属性を重点的にフィルタリングする。このライターとエディターの分離構成が精度向上の核心だ。

LLMの精度が90%でも、100万SKU規模なら10万件の誤りが残る。品質チェック専用モデルの構築と、属性定義・正解データの整備こそが、商品マスタの信頼性を決定づける最重要施策と言える。

日本市場への示唆は、AI時代の商品マスタは「人間が発注・棚割りに使えればよい」品質では足りず、「AIエージェントが商品を理解・比較・推薦しやすい構造化データ」が求められるという点だ。詳しくは本稿後段のAIエージェント時代の商品マスタ整備で扱う。

Target：生成AI「Trend Brain」でトレンド予測と価格最適化

Targetは「Trend Brain」と呼ばれる生成AIプラットフォームを導入し、グローバルなデータをスキャンして新興スタイルやデザインパターンを特定している。CIO兼CPOのプラット・ベマナ氏は「顧客とともに動き、ニーズを予測し、好みに適応する企業を構築している」と語る。

AI価格最適化と在庫管理、関税不確実性への備え

Targetは、AIを活用した価格最適化と在庫管理により、関税の不確実性にも備えている。短期の市場変動に対し、価格と在庫の両軸で素早く対応できる体制を作っている点が、Walmartと並んで参考になる。

「プロダクト・オペレーティング・モデル」への組織再編

テクノロジー・製品・UX・エンタープライズ各チームを統合した「プロダクト・オペレーティング・モデル」への再編成も、AI主導の変革を加速させている。AIの推奨を業務プロセスに組み込めないと、「Trend Brain」のような優れたシステムを導入しても成果につながらない。組織を技術側に合わせて再設計したのがTargetだ。

日本でも、AI導入と同じタイミングで組織再編・権限再設計を行う発想が、成果を分ける。

Tractor Supply：「Hey GURA」が全従業員の知識武装と新人教育を変える

米国の地方部で農業・牧場用品・ペット用品などを扱うTractor Supply Companyは、全店舗の従業員にAI音声アシスタント「Hey GURA」（Gura）を展開している。従業員はヘッドセットを通じて、商品情報・在庫状況・トレーニング資料にリアルタイムでアクセスできる。

「いつでもそばにいる先輩」としてのAI

同社CEOがNRF 2024で語った事例は印象的だ。ジョージア州の店舗で、敏感肌用のドッグフードを探す顧客がいた。従業員はHey GURAに問いかけるだけで、最適な商品を即座に特定し、在庫と価格を確認できた。15,000種類以上の商品知識に、経験の浅い新人でも即座にアクセスできる仕組みになっている。

新入社員研修プログラムへの組み込み

特筆すべきは、Hey GURAを新入社員研修プログラムに組み込んでいる点だ。従業員が店舗内を歩きながらAIに商品について質問し、自己学習に活用している。顧客対応していないときでも、通路を歩きながら知識を深めている従業員の姿が見られるという。AIは「いつでもそばにいる先輩」として機能し、新人の立ち上がりを加速させている。

日本のドラッグストア・ホームセンター・専門店への示唆

ドラッグストアでは医薬品・化粧品・日用雑貨・食品と多岐にわたる商品知識が求められる。ホームセンターは10万SKUを超える品揃え、専門店は深い知識が前提となる。いずれも添付文書や仕様の改訂、商品の改廃が継続的に発生し、現場に周知すべき情報は多い。AIを活用してこれらの情報に店舗スタッフがいつでもアクセスできる仕組みを構築すれば、教育の質と効率を両立できる。

ドラッグストアにおける固有の論点（薬機法対応、薬剤師の役割分担、調剤・OTC・化粧品の領域差）はドラッグストアのDXを参照されたい（AI領域特化の解説は別稿で執筆予定）。

セフォラ（Sephora）：AI活用でEC売り上げ伸長

グローバル化粧品大手のセフォラ（Sephora）は、AI活用を「攻めのデジタル戦略」として位置づけ、ECの売上を伸ばしている。詳細はITmediaビジネスオンライン連載「がっかりしないDX 小売業の新時代」第21回「AI活用でEC売り上げ伸長　コスメ世界大手『セフォラ』が進める、攻めのデジタル戦略とは？」で取り上げた。

化粧品ECは「自分に合うかどうか」が購買判断の中心にあり、対面でのカウンセリングに匹敵する「専門家相当の絞り込み」をオンライン上でどう実現するかが、競争力を分ける領域だ。セフォラの取り組みは、ECで顧客のパーソナルニーズに踏み込み、対面販売の代替ではなく拡張として機能する設計が特徴だ。

日本の化粧品売場への示唆

ドラッグストア化粧品売場・百貨店化粧品売場・専門店EC——いずれの業態でも、対面カウンセリングとECの「専門家相当の絞り込み」を両軸で提供する設計が、化粧品小売の競争力を左右する。日本の小売業がセフォラから学ぶべきは、店舗とECを対立軸で語らず、購買体験全体としてAIで補強する発想だ。

英国 John Lewis Partnership：百貨店がEC60.9%・Click & CollectとAI価格マッチングで再設計

英国のジョン・ルイス・パートナーシップ（JLP）は、百貨店John Lewisと食品スーパーWaitroseを傘下に持つ小売グループだ。日本国内では、阪急・阪神百貨店と阪急オアシスや関西スーパーを擁するH2Oリテイリング、あるいは伊勢丹と高級食品スーパー「クイーンズ伊勢丹」を展開する三越伊勢丹ホールディングスが近い構造にあたる。

詳細はITmediaビジネスオンライン連載「がっかりしないDX 小売業の新時代」第55回「『オンライン売上60％超』『Amazonより高く売らない』　英百貨店『ジョン・ルイス』の逆襲劇」で取り上げた。

EC売上比率60.9%：百貨店としては驚異的な水準

John Lewisのウェブサイトとアプリ経由売上は、売上全体の60.9%を占めている（2024年比で1.5%増）。日本の百貨店業界から見ると驚くような水準だ。

ただし、JLPの自社調査「How we Shop, Live and Look 2025」によれば、この数字は実態を正確に表しているとは言えない。1,100人以上の顧客を対象にした調査では、高額な商品を購入した顧客のうちオンラインだけで取引を完結させたのはわずか22%。大多数は実店舗で試着・サイズ確認・触り心地・電化製品や化粧品の使い心地を確かめてからオンラインで購入している。48%の顧客は「ただ見て回ること」を来店の最大の魅力に挙げており、実店舗での「発見」が現代の購買体験において不可欠であることを示している。

つまり、生活者は店舗で見て・触って・試して・相談し、最後はオンラインで買う。あるいはオンラインで買って、店舗や近隣拠点で受け取る。John Lewisは、この行き来を前提に百貨店を再設計したのだ。これはAmazonには実現不可能な顧客体験である。

Click & Collectが来店動機になる：百貨店×食品スーパーの強み

John LewisにおいてClick & Collectは単なる受け取り手段ではなく、来店動機そのものだ。オンライン注文をきっかけに、顧客を店舗やグループ拠点へ戻す仕組みになっている。

百貨店商材は、Click & Collectとの相性が良い。衣料・寝具・小型家電・ギフトなどは、食品のように即時性が高くない一方、自宅配送の時間指定や再配達は顧客にも小売にも負担になる。店舗受け取りであれば、顧客は自分の都合で受け取れ、返品や交換もその場で相談でき、ついで買いも起きる。店舗スタッフとの接点も生まれる。

特にJLPの場合、傘下に食品スーパーWaitroseがある。百貨店よりも来店頻度が高い食品スーパーの動線にJohn Lewisの単発購入を乗せることで、「百貨店で買って、食品スーパーで受け取る」動線がグループ内で完結する。これが単なる百貨店ECと大きく違う点だ。

AI価格マッチング「Never Knowingly Undersold」の復活

John Lewisは2024年9月、「Never Knowingly Undersold」を現代版として復活させた。「主要競合より高く売らない」という価格約束で、1925年に始まったJohn Lewisの象徴的な価格方針だ。いったん停止されていたが、AI時代に合わせて復活させた。

現代版では、AIを使って25の主要競合の店頭価格とオンライン価格を確認する。対象には、Apple、Argos、Boots、家電量販のCurrys、ホームウェアと家具のDunelm、食品小売・アパレルのM&S、アパレルのNext、百貨店のSelfridgesといった主要小売業に加え、Amazon、ファッションECのASOS、家電ECのAO.comも含まれる。

この取り組みは集客にも効いている。JLPによれば、Never Knowingly Undersoldにより検索経由だけで毎週10万件の追加訪問が生まれ、復活後1年で30万件超の価格を店頭でマッチしたという。

日本の百貨店・GMSへの示唆

John Lewisは百貨店だが「百貨店だから高く売る」とは考えていない。価格はAmazon直販や主要チェーンと比較される前提に立ったうえで、接客・保証・品ぞろえ・返品・受け取り利便性で選ばせている。

日本の百貨店・GMS・専門店も、AIで主要競合価格を継続的に把握する前提に立つかどうかが、ECとの共存戦略の出発点になる。さらに、JLPと似たグループ構造を持つH2Oリテイリング・三越伊勢丹HDなどは、グループ全体でClick & Collectを設計する余地が大きい。

AIエージェント時代の商品マスタ整備

OpenAIやGoogleなどがAIエージェント・ショッピング支援機能を相次いで強化している。多くの生活者が対話型AIに「子どもの遠足向きのおやつ、アレルギー対応で」と聞く日が近づいている。AIエージェントが参照するのは整備された商品データだ。属性が欠落し、表記が揺れ、部門ごとにサイロ化したマスタでは、そもそも購買候補に挙がらない。売場に並んでいるのに「存在しない商品」になるリスクが、現実味を帯びる。

Walmart・ALDI・NVIDIAが歩む同じ方向性

危機感をいち早く行動に移したのが、前述のWalmartだ。同社は生成AIを使い商品カタログの8.5億超のデータ項目を作成・改善している。

ドイツ発祥のディスカウント食品スーパーで世界第4位の小売企業（NRF 2025年版、売上約1,550億ドル）であるALDIも、生成AIを活用しデジタルチャネル向けの商品説明文作成と商品属性補完を自動化し、SEO・多言語対応・商品発見性の改善を進めている。

NVIDIAは2026年1月、商品画像から属性補完や説明文生成を自動化する「Retail Catalog Enrichment Blueprint」を公開した。同ブループリントには、AmazonがNVIDIAのGPUとLLMを活用し、最適化された商品コンテンツを大規模に自動生成することで、数百万の販売者がより充実した商品情報をより迅速に公開できるよう支援している事例も載っている。

共通するのは、「商品データの品質がECの売上と顧客体験を左右する」という認識だ。

日本における30年超の協調の頓挫の歴史

日本では、小規模小売プレーヤーが多くNB商品比率が高い構造上、製・配・販が協働して商品情報を標準化する議論が30年以上前から繰り返し挑戦されてきた。1988年に流通システム開発センター（現GS1 Japan）が稼働させたJICFS、日用品・化粧品業界のプラネット商品データベースなど業界の取り組みはあるが、業界全体への浸透には至っていない。

商品情報はメーカー→卸→小売と流通する過程で、各社が独自フォーマットで個別管理されている。経済産業省「商品情報連携標準に関する検討会」でも、製・配・販が「手作業によるバケツリレー」に依存している現状が業界課題として取り上げられた。

今回が異なる2つの前提

ただし、今回は2つの点で過去と前提が異なる。

第一に、生成AIという実行手段の登場だ。従来は「手作業のバケツリレー」を「手作業の標準化」で置き換えようとしていた。労力が減らないから定着しない。生成AIは商品情報の整備コスト自体を桁違いに下げる。協調のハードルが技術的に下がったことは決定的な変化だ。

第二に、AIエージェントの台頭という「やらなければ負ける」外圧の存在だ。商品データが整備されていなければ、AIエージェントの購買候補にすら挙がらない。売上機会の喪失リスクが現実化する。

成果につなげる3つの条件

第一に、協調領域と競争領域を明確に分けること。NB品の基本属性情報は協調領域として標準化し、PB品の商品コンテンツやパーソナライゼーション戦略は各社独自の競争領域とする。「ここまでは共有、ここからは各社の腕の見せどころ」という線引きが不可欠だ。

第二に、生成AIを活用した「段階的な成功体験」の設計。いきなりサプライチェーン全体の商品マスタ統合を目指すのではなく、まずは自社EC向け商品情報を生成AIで整備し、検索精度やCVRの改善を実証する。

第三に、AI-Readyな商品データという新しい品質基準の設定。従来の商品マスタは「人間が発注・棚割りに使えればよい」品質だったが、今後はAIエージェントが商品を理解・比較・推薦しやすい構造化データが求められる。新商品登録時から適用するだけでも、時間の経過とともにデータ品質は着実に上がる。

商品データ基盤を「コスト削減の手段」ではなく「売上成長のインフラ」として位置づけ直すこと。これが経営層に問われている。

Amazon：物流の自動化とAI需要予測

Amazonは倉庫での仕分けロボットを大規模展開し、AIによる需要予測とフルフィルメント最適化を進めている。同日配送の実現には、AIによるリアルタイムの在庫配置最適化が不可欠であり、物流センターから「ラストマイル」までの一貫したAI活用が競争優位の源泉となっている。

ただし、Amazonの強みは技術そのものではなく、技術を業務に組み込み続ける運用設計にある。日本の小売業がAmazonの物流自動化を「目指す対象」として捉えると、初期投資と運用コストで採算が合わないことが多い。むしろ「自社の事業モデルに合うAIの使いどころ」を見極める力こそが学びになる。

日本市場への示唆：「導入で終わらせない」伴走の必要性

海外事例を俯瞰して見えてくるのは、AI活用の成果が技術選定の巧拙ではなく、組織と運用設計の質で決まるという事実だ。

「思考→判断→作業」でAIと人間の役割を分ける

業務は「思考→判断→作業」の順番で行われる。「なぜ売れたのか」「今後どうすべきか」を考え抜く「思考」のプロセスは、文脈の理解・仮説の形成・複数要因の統合的解釈が求められ、AIが最も苦手とする上流工程だ。ここは人間の領域である。

「判断」段階ではAIとの協働が効果を発揮する。AIが選択肢と根拠を提示し、人間が現場の文脈（近隣の競合店情報、地域イベント、天気予報など）を加味して最終決定を下す協働が合理的だ。

「作業」段階ではAIが圧倒的な優位性を持つ。在庫データの収集、過去の販売実績の集計、発注リストと推奨発注数の自動生成といった処理は、24時間365日休むことなく正確に実行できる。

AIが作業の80点を担い、人間が残りの判断と思考で価値を創出する設計が、AI時代の現場力を高める鍵となる。

海外と日本の差は「運用設計」と「内製化」

日本の小売業も、AI技術そのものでは海外に大きく劣っているわけではない。POSデータ、ID-POSデータ、AIモデル、クラウド基盤——いずれも入手可能だ。差がつくのは、それらを「日々の意思決定に組み込む運用設計」「現場とのフィードバックループ」「経営層のコミットメント」だ。

「ベンダー丸投げ」と「導入で終わらせない伴走」

多くのAIベンダーはツール導入とPoCまでで契約が完了し、運用は事業者に委ねて去る。事業者側に運用設計の経験と組織の体力があれば自走できるが、多くのケースで運用が回らずPoCで止まる。海外先進事例で機能している企業は、内部にAI活用の運用設計者がいるか、外部の伴走者を継続的に確保している。

小売DX合同会社の役回り

著者の郡司昇は、薬剤師資格を持つ小売DXコンサルタントとして、ベンダー選定→PoC設計→運用定着→内製化までを並走する「AI活用の伴走支援」を50社以上に提供してきた。米国・英国・欧州・UAE・東南アジアの小売現場視察と、ITmediaビジネスオンライン連載で蓄積した先進事例の知見を、日本市場の実装に翻訳する役回りを担っている。詳しくは小売業のAI活用 伴走支援の役割を参照。

海外事例を踏まえたAI活用の相談はこちら

関連リンク

• 小売業のAI活用：5領域と伴走支援
• ドラッグストアのDX
• スーパーマーケットのDX
• 小売DXとは：定義・進め方・失敗パターン
• 小売CDP（顧客データ基盤）の設計
• 小売DXコンサルティング
• ITmediaビジネスオンライン連載「がっかりしないDX 小売業の新時代」

よくある質問（FAQ）